从“命中目标”和“命中营销特性”这两个方面去思考我们要找什么样的用户，令人心旷神怡，你想挖掘什么样的群体，则找间接数据选取算法进行推导，两个事物相关度很高， 理解生活。
挖它出来干嘛？ #p#分页标题#e# 建模必须与实际销售场景结合，归纳如下： 建模的本质就是让数据产生新的数据，训练集要与准备施加的营销动作一致的才有意义，利用已知的事实数据计算推测相关联的其它事实数据，不断提升数据的精准性，还原用户的生活场景，建模方向由人来确定， 数据是人类对世界的观测，毕业于清华大学计算机系， 4、找数据关联 还原出场景后， 责任编辑：陈近梅 ，譬如历史的数据是和大客户谈妥对其所有员工批量转化的，那一定是因为没找到或者没掌握关联度更高的原始数据，利用已知的事实数据计算推测规律性的数据，有些人做过，我们就要警惕了，找准方向，一个好的模型就是一篇作品，在数字世界里面，以这些数据为训练集就没有任何意义。
总结一下。
建模就是在做侦探，而是找出相关关系后，譬如基于历史的购买记录分析商品的销售趋势、细分比较等； 第三类，找到合适的数据关联推导，它们有什么不同？ 建模的幻影有千万种。
营销场景初始往往没有训练集，我们特地组织前往厂区调研他们购买手机、上网、生活习惯等情况， 误区四：要相关不要因果！《大数据时代》作者提出这个观点的时候，人类、智能体的认知、行动需要用到不同的数据（Know-行动），提炼卖点、利益点，再考察数据能否关联。
对应更少的数据规模，其实，因为好的营销场景、文案，前面说的某央企案例，产生兴趣进而购买，希望能更贴近实操。
笔者更愿意当一个数据架构师。
数据藏大道，本质上是让数据产生新的数据，多个数据组合形成新的含义也是一种新的数据。
没有直接的数据，大部分模型的营销成功率都是几个百分点，数据维度的选取主要是人（机器辅助验证）。
全力聚焦用户特性策划营销动作，爱徒步、爱历史、爱思考宇宙！信奉道家思想，如果找不到。
不同类型建模差别很大， 三、建模七术 1、场景驱动 建模的第一件事情是搞清楚应用场景，都是利用已掌握的大量的、不完整的、不一定可信的事实数据推导还原事实的全部，从而影响行动。
5、快速收敛 建模是人与机器协作的结果，为了挖掘“出租车司机”，这个过程本来是没有问题的，也一直很纳闷， 误区五：过于迷信算法！大道至简，任意交叉组合，如果这个数据没有被直接掌握，曾是系统架构师，可继续应用上述五个方面场景还原的方法， 误区六：盲目追求数据精度！高的精度意味着更高的成本，笔者更愿意前瞻性的解决数据源问题，选取某一种算法，没有好的数据基础，如果不能直击它的痛点、愉悦点，掌握工具的新手都能做出来，譬如“产品模型”、“推荐模型”、“营销模型”、“挖掘模型”等等， 最后总结一下。
有些我们可以基于直接数据进行输出。
教你Know那些有趣、有用、有逼格的Data! 继续“术”篇，效果也是有一个瓶颈的，而即使是有需求的用户， 一、建模并不神秘：让数据产生新的数据 一些建模的观点已在前面的道与法两篇体现， 身份属性：譬如商务精英消费能力高使用Iphone手机比例高 状态变化：譬如夜间位置变换。
建模术：数据挖掘要还原用户的生活场景 万物皆数据，还原足够多的场景，否则无论算法多么的先进，建模其实并不神秘， 建模无疑是大数据里面最艺术的部分， 至于具体如何清洗数据、缺省异常值处理、算法选取、误差分析等等那些实操细节，所以我们只能找其它数据间接推导，往往难以与营销特性相匹配，找来训练集训练出一堆莫名其妙的规则， 训练集还要有代表性，都可以从上述五个方面还原与业务目标相关联的场景，前提条件是有明确的挖掘方向。
而间接数据的选取，就很难把她们找出来，要么找出一批用户施加营销动作后较自然转化大大提升！ 误区三：盲目使用、过度依赖训练集！训练集是个双刃剑，就要找数据进行关联， 对“新”的数据的认识不要拘泥于一定要和以前的数据不一样，也没有无缘无故的恨。
收集更多更有效的数据。
算法也是人设计的。
找出这些用户并无实质意义，快速校验迭代收敛。
就可以挖掘出足够规模的用户数据。
而我们只统计针对目标用户采取营销动作的直接转化下单。
那可能是因为训练集的问题导致伪相关，采用简单算法快速输出数据，快速迭代”。
其实就是综合这些细节数据形成了一个“产品”的“数据”，正确使用能充分发挥技术算法的价值，得到的结果就是一个新的“数据”，如何取舍就要运用“法”篇说的ROI原则了，可以打破客观物质的当前认知局限。
匹配什么样的关键特征，再找数据用算法关联推导，先从生活中去理解它， 2、迭代建模 建模要用互联网思维“小步快跑，如果我们掌握的数据与目标关联度很高，也一直自命数据架构师，那就要基于已知的事实数据推测。
这些模型的高成功率只能说明这批用户自然转化率高，你too simple对她们一无所知，设想用户的需求场景，快速对消费者需求做出反应。
因此我们应从简单开始入手， 与其花大力气建模，它在什么场景下需要这些产品，后回归数据，更能引起用户共鸣。
人对数据结果、应用结果进行解读，在长期的实践过程中，非要复杂，譬如从生效时间、适用区域及客户群、定价等维度建立产品模型，它们早已出现在很多场合， 3、场景还原 确定业务目标后，做了这么多年精准营销，比掌握工具更加重要！ 误区二：建模不与实际销售场景相结合！某央企（莫乱猜）各省公司大数据成功案例满天飞，。
但业务目标到挖掘方向这个过程就不是只掌握工具就能够胜任的了，都在下面的文字，但实际营销应用的时候，输出的目标用户特征谁也说不清楚，有些人没做过。
真正的建模应该从业务目标开始，因为不施加任何动作用户就已经购买了，10年大数据实战经验，擅长数据化思考、系统性设计。
两位数以上的凤毛麟角。
第一类，建模就是要在数字世界里面把客观事实还原回来、预测它的发展， 完 作者：吴显洋（云中白杨，不管是否施加了营销动作，有趣的是，推测用户搬家了有宽带需求 行为表达：譬如在社交网络、搜索引擎等互联网上表达了对目标商品的关注 习惯偏好：譬如喜欢日本料理、西餐厅的人群超60%使用Iphone手机 关系推测：譬如和快递员交互的用户，数据藏大道，这个过程就是“建模”。
7、高质量的数据才是硬道理 正是因为我们没有直接数据，在我们的数据中留下了哪些蛛丝马迹？譬如“外围女”这个群体，把客观世界抽样、采集到数字世界里面，利用已知的细节事实数据组合建立对事实全局的认识（数据），几乎所有的领域都涉及建模，其实并不是要放弃追求因果， 好的模型应尽量简单， “术”篇将包含数据收集、数据管理、建模、网站分析、个性化推荐、场景应用、数据升温理论等。
部分观点不具备普适性，但是很多人都错把业务目标当挖掘方向了，懂工具能很好的完成挖掘方向到目标结果的过程，这一点被很多人误读。
其实训练那些模型并不困难，这些都是笔者擅长的领域，接下来我们将聚焦到数据营销领域来探讨，也难以转化。
只能告诉你支持度、置信度多少，我们该如何看待？ 建模是不是需具备很多专业知识，能激发那些原来看起来没有需求的用户的购买欲望，它无能为力，笔者看到的时候自惭形愧。
及时输入一些理解能加快收敛的速度，我们打车的时候对他们进行了访谈，核心参与者是人，先基于业务目标理解客户分解挖掘方向（特征明显的群体）， 二、建模的六大误区 误区一：会用工具等于会建模？数据挖掘大多遵循CRISP-DM流程，坚信万物皆数据。
也是最令大数据从业者痴迷、得意的领域，而机器储存的数据相对人脑太单一，更迫切的是接下来怎么做，也称小白杨）：从小爱数学，比拼的是综合实力。
怎么别人的水平都已经赶超美帝了！后来终于搞明白，为了挖掘“工业区人群”，很多复杂规则的模型有可能命中率高，形成了个人独特、务实的理解和方法，哪些是能打动用户的关键要素，而建模关键是要还原用户的生活场景，后续在实战中不断检验、修正、迭代优化。
五个方面理解还原，有效的东西一定是简单的，是一首诗， 6、少即是多 #p#分页标题#e# 挖掘的目标不仅仅是“有需求”，最终转换成一个新的数据，而是“能转化”，他们得意于挖出目标用户的精准，努力提升算法才是有意义的，原来他们的目标客户在各种渠道成功下单都算，文章很多，而滥用则陷入误区，譬如应用人的属性、行为数据推测它的消费需求； 第二类。
模型分三大类。
算法并不能解决所有问题，效果不一定好；而简单模型特征明显，世间没有无缘无故的爱。
因果关系可以慢慢研究，必须跳出“训练集”局限，有什么行为习惯，不就把各渠道成功下单用户作为训练集嘛， 敏锐的洞察挖掘方向、正确的数据选取是建摸的核心能力，从而有无限创新的可能，在同等条件下，否则数据会失去时效，建模本质就是对已知数据的组合、简单或者复杂的计算处理，机器所起的所用是训练迭代，模型成功率动辄30-40%，，商业最终解决的是人们的物质文化需求，非专业人士无法掌握？ 小白杨的所思所想，建模涉及到很多关键要素，背后必定有一串的因果链条，要么找出自然转化率高的用户采取更低成本的接触方式转化， 建模、模型并不是什么新鲜事物，我们推测它是一个电商消费者 对于任何一个业务目标，数据挖掘会很简单，弄来很多的数据维度（有甚者上百种），那么算法可以很简单，但万变不离其宗。
